机器视觉直到近日才被大家认可为普遍用于食品生产行业的工具。 事实上，机器视觉早的是在 1980 年代用于食品品质检测。 这些早期的机器视觉迭代只包括一个摄像头，用于拍照检查松饼生产线，以保障很大尺寸的产品不会进入机器。 虽然这个过程很粗糙，但它已被证明是很有用的。  

今天的机器视觉系统要复杂得多。 机器视觉系统通常或多或少具有复杂的人工智能，它可以分析模式并从视线内的对象中提取数据。 然后将获得的数据与从系统数据库中提取的每项现有数据进行比较——该数据库是手动管理的，而不是自动化的。 审核完数据后，系统将对捕获的项目得出结论。  

整个过程，从开始到结束，只要不到一秒钟的时间。 但是，在这么短的时间内，系统已经收集到了很多关于该项目的有用信息。 食物的颜色、成熟度、变质和里面温度的数据可以在眨眼间获得。 甚至有可能获得人眼无法检测到的信息，例如使用不同波长的机器视觉来分析食物的里面成分。 它还可以用于包装缺陷检测，以避免材料浪费、贴错标签和昂贵的食品召回。  

实现机器视觉可能需要比许多制造商很高的初始投资，但它可以增加处理效率，减少代价高昂的错误、疏忽和召回（其中一些可能导致很昂贵的诉讼），并且可以在很短的投资成本。  

此外，还需要考虑消费者成本。 由于消费者的健康和安全受到威胁，食品检验过程得对错误采取零容忍政策。 一个品牌或产品一旦失败，就会失去客户的信任。 标签不当的食品或被忽视的肉类或家禽感染迹象都可能导致生命损失。 仅在今年，FDA 就将 44 人的死亡与沙门氏菌的爆发衔接起来。 沙门氏菌爆发与含有 Kratom 的膳食补充剂有关，Kratom 是一种原产于东南亚的热带树种。 如果生产这些补充剂的工厂也有机器视觉或其他自动化检测流程，这些死亡事件就可以避免。